问财量化选股策略逻辑
选股逻辑为：振幅大于1、PE>0、100亿市值以内的无亏损企业。将选股逻辑作为第一个标题放入段落中。
选股逻辑分析
该选股策略的逻辑如下：
1.振幅大于1：表示该股票价格波动比较大，有较高的交易活跃度；
2.PE > 0：表示该股票未亏损，有一定盈利能力；
3.100亿市值以内：表示选择市值较小的股票，有更大的成长空间；
4.无亏损企业：表示企业财务状况良好，对企业成长也有支持作用。
综合以上四个点，在符合阈值要求的股票中进行选择。
有何风险？
该选股策略的一些风险可能包括：
1.市值较小的股票可能成交量较小，存在流动性风险；
2.振幅大的股票可能存在波动性较大的风险；
3.同时满足振幅大、PE>0、无亏损等几个条件的股票数量可能较少，选股范围比较狭窄。
如何优化？
为了降低风险和提高选股准确率，可以在以上基础上进行如下优化：
1.在市值较小的范围内，根据业绩、财务状况等进行筛选，选择潜力更大的股票；
2.同时增加财务状况良好的筛选条件，以降低风险；
3.结合其他技术指标和基本面指标进行综合分析，提高选股准确率。
最终的选股逻辑
综合以上分析和优化，我们最终的选股逻辑为：在振幅较大、盈利能力好、100亿市值以内、无亏损的股票中进行选择，并结合股票的业绩、财务状况等指标进行综合分析，以尽可能降低风险，提高选股准确率。
同花顺指标公式代码参考
该策略可引入以下指标进行辅助分析：
1.市值的指标。
同花顺市值指标：
capitalization < 10000000000
2.振幅的指标。
振幅：
((HIGH-LOW)/REF(CLOSE,1))>0.01
3.PE的指标。
同花顺PE指标：
pe > 0
4.财务状况的指标。
同花顺五年平均净利润增长率指标：
(yoy(np_profit) > 0) & (yoy(np_profit) < 100)
Python代码参考
以下是使用Python进行选股的代码参考：
import pandas as pd
import tushare as ts
def stock_selection():
# 获取股票数据
all_data = ts.get_k_data("002230", ktype="D")
all_data = pd.DataFrame(all_data, columns=["date", "open", "close", "high", "low", "volume", "turnover", "pe", "capitalization", "np_profit", "code"])
# 市值小于100亿
condition1 = all_data["capitalization"] < 10000000000
# 振幅大于1
condition2 = ((all_data["high"] - all_data["low"]) / all_data["close"].shift(1) > 0.01)
# PE > 0
condition3 = all_data["pe"] > 0
# 五年平均净利润增长率大于0小于100
condition4 = ((all_data["np_profit"].pct_change(periods=4) > 0) & (all_data["np_profit"].pct_change(periods=4) < 1))
# 返回符合条件的股票代码
return all_data[condition1 & condition2 & condition3 & condition4]["code"].values.tolist()
其中，在代码中需要根据实际需求进行相应的设置。
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
